前饋神經網絡及其應用（簡體書）

《前饋神經網絡及其應用》較系統地介紹了前饋神經網絡的網絡模型、學習算法、逼近理論，除介紹國內外其他學者的研究成果外，主要介紹作者已公開發表和尚未公開發表的系列研究工作。主要內容包括：前饋神經網絡的模型選擇、混合專家網絡的改進模型、前饋神經網絡的改進模型及前饋神經網絡的應用。

《前饋神經網絡及其應用》可作為應用數學、計算機科學與技術、信息與通信工程、電氣工程、控制科學與技術等專業高年級本科生、研究生的教材或教學參考書，也可供相關領域的科研人員和工程技術人員閱讀參考。

支持向量機是基于統計學習理論的一種機器學習算法。由于具有很強的泛化性能，它得到了很多的關注和研究。在實際應用中，SVM展示了比其他學習算法更為優秀的性能。因此，SVM被廣泛地應用于模式識別和函數回歸。SVM取得優秀性能的主要原因是它能夠同時最小化預測誤差和模型復雜度。
傳統的支持向量機及其改進模型在構造最優分類超平面時均假定所給訓練集中樣本的所有特征均具有相同的貢獻。然而，對于一些實際數據集，一些特征含有較多的分類信息，而其他的特征具有較少的分類信息。因此，具有較多分類信息的特征在訓練最優支持向量機時比含有較少分類信息的特征更為重要。然而，現有的針對特征加權的支持向量機均是直接將權重乘到所給樣本的相應特征之上。本節將介紹一種新型的特征加權支持向量機（feature-weighted support vector machine，FWSVM）。這里值得一提的是，特征加權支持向量機與加權支持向量機截然不同。一方面，加權支持向量機是為訓練集中每個樣本賦予權重，而不是為樣本的每一維特征賦予一個權重；另一方面，加權支持向量機的最大貢獻是處理不平衡數據分類。
在以往的文獻中，為給定數據集的每個特征確定權重的方法有很多，下面對幾種常用的特征加權（或特征權學習）方法加以簡要介紹。給定一個數據集，特征加權方法為數據集中的每一個特征賦予一個實數值。數值越大，說明相應的特征具有更高的重要性。在特征加權策略中，Relief被公認為最為有效的方法。Relief的主要思想是根據特征值在區分相互靠近的樣本的能力上為特征賦予權重。